用途：ml-expert 用于实现机器学习方案，包括模型架构、训练管线、优化策略和性能改进。当用户提出“实现这个 ML 架构”“修复训练代码”“优化模型性能”“实现某论文/技术”“构建训练管线”“为模型添加某功能”“提升推理速度”等请求时触发。
主要能力：技能层负责检测 ML 实现请求、收集需求与现有代码及约束、生成专家代理、校验并格式化结果；代理层负责按最佳实践设计架构、编写生产级 PyTorch 代码、应用性能优化、通过测试验证正确性。附带脚本（模型模板生成、模型测试、性能分析、架构校验）、参考资料（PyTorch 最佳实践、架构模式、优化技术、测试指南）、模板（模型、训练循环、配置）以及自定义工具（生成模型骨架、添加测试、基准测试）。
使用方式：通过 Claude Agent SDK 生成专家代理，示例配置使用 model='claude-sonnet-4-5'、permission_mode='plan'、allowed_tools=['Read','Write','Edit','Bash','Grep']、setting_sources=['project']，连接后传入包含 requirements、existing_code、reference_materials 的任务并收集结果。
适用场景：实现新 ML 模型、修复训练问题、优化性能、复现研究论文、构建生产 ML 管线。
限制：资料未提供具体收费、价格、平台支持范围与效果保证；代理不应在未理解需求时写代码、不应实现未测试功能、不应破坏现有 API、不应未经校验直接提交。若无法实现，应澄清需求、索取参考资料、给出带 TODO 的部分方案或升级处理。